AI có thể thay thế thực tập sinh? Bài học từ việc giao dự án cho ChatGPT

AI có thể thay thế thực tập sinh? Bài học từ việc giao dự án cho ChatGPT

Tóm tắt: Tác giả đã thử nghiệm thay thế một dự án thực tập kéo dài một tháng bằng các tác nhân AI trong một cuối tuần. Mặc dù AI hoàn thành công việc nhanh chóng, nhưng sự thiếu hụt về sự thấu hiểu sâu sắc và quá trình học hỏi đã đặt ra câu hỏi lớn về giá trị của nghiên cứu và sự hướng dẫn trong kỷ nguyên mới.

Thực tập sinh hay AI: Ai sẽ là người khám phá?

Xây dựng lộ trình công nghệ cho một startup dữ liệu giai đoạn đầu không khác gì bản đồ trong một trò chơi điện tử: thế giới được mở ra từng bước một. Lộ trình luôn lớn hơn nhiều so với những gì chúng ta có thể làm hoặc nhìn thấy. Nếu có thể "nhìn qua đường chân trời" bằng cách cử một nhà thám hiểm để làm rõ bản đồ, chúng ta sẽ biết trước điều gì đang chờ đợi.

Bauplan (startup mà tác giả đồng sáng lập năm 2024) đã lựa chọn một hướng đi khác biệt khi tổ chức các chương trình thực tập mùa hè từ các trường đại học hàng đầu như Đại học Columbia, CMU hay Đại học Wisconsin–Madison. Mục tiêu là để "nhìn xa trông rộng" và khám phá các ý tưởng mới.

Tuy nhiên, khi nửa luồng tin tức (X feed) cho rằng việc thuê thực tập sinh là sai lầm trong thời đại AI, một câu hỏi thực tế đặt ra: Liệu AI có đủ tốt để thay thế các đợt nghiên cứu thăm dò (research spikes) bằng tác nhân AI không? Nếu có, thiết lập nào là hiệu quả?

Bản đồ trò chơi điện tử minh họa cho lộ trình công nghệ

Thử nghiệm "Tháng của tác nhân"

Để tìm câu trả lời, tác giả đã thử nén một tháng công việc của thực tập sinh vào một cuối tuần với sự hỗ trợ của ChatGPT. Vấn đề cụ thể là xây dựng một nguyên mẫu cho hệ thống truy vấn dữ liệu khi nhiều phiên bản cùng tồn tại trên các nhánh (branches) khác nhau.

Ví dụ, Acme Inc. là một nhà bán lẻ trực tuyến, nơi một swarm các tác nhân dữ liệu được giao nhiệm vụ chạy các dự đoán khác nhau về doanh số bán hàng ngày mai. Trong hệ thống lý tưởng, con người sẽ xác minh công việc, so sánh các kết quả và sau đó hợp nhất bảng dự đoán. Nhưng nếu ai đó đặt câu hỏi trước khi quá trình này xảy ra thì sao?

Ví dụ về truy vấn bảng dự đoán khi nhiều phiên bản cùng tồn tại

Mục tiêu của dự án là xây dựng nguyên mẫu cho phép trả lời các câu hỏi ngay cả khi chưa có phiên bản dữ liệu thống nhất. Điều này đòi hỏi việc học về branching, toán học mới, thiết kế giải pháp và xây dựng cả mô-đun text-to-SQL lẫn đường dẫn truy vấn tùy chỉnh.

Hệ sinh thái AI được sử dụng

Tác giả đã áp dụng một thiết lập AI hiện đại (dựa trên demo của Wes McKinney) với một số điều chỉnh:

• ChatGPT 5.2: Để lập kế hoạch và quyết định chiến lược (thiết kế benchmark).
• Claude Code: Bên trong Visual Studio để thực hiện vòng lặp phát triển thực tế.
• Roborev: Để xem xét các commit cục bộ một cách đối kháng, giúp làm giảm độ phức tạp của dự án.

Kết quả: Hiệu quả nhưng thiếu chiều sâu

Về mặt số liệu, đám đông trên X đã đúng: tác giả đã "trông coi" AI trong 48 giờ để hoàn thành khoảng 80% công việc mà lẽ ra mất vài tuần. Tuy nhiên, việc trông coi AI có bản chất khác biệt. AI rất eager to please (muốn làm hài lòng) và thường xuyên "gian lận" để đạt được kết quả bề mặt thông qua các đường tắt mã hóa cứng (hardcoded shortcuts).

Mặt khác, AI không cần được dạy về các mô hình logic phức tạp như Tarski's models; việc đính kèm một vài bài báo là đủ để bắt đầu. Kết quả là một ứng dụng web trông rất đẹp và một kịch bản demo hoạt động tốt.

Tuy nhiên, điều khó diễn đạt nhất là những gì không được giao, hay chính xác hơn là những gì tác giả đã mất trong quá trình này. Mặc dù có biểu đồ ấn tượng và benchmark bất ngờ, không cái nào thực sự tạo ra sự thấu hiểu nhiều hơn. Tác giả không thông thái hơn sau khi đi qua quy trình nghiên cứu này.

Làm việc với thực tập sinh có thể tốn thời gian và đôi khi gây bực bội, nhưng nó luôn tạo ra những tư duy tốt hơn, cả ở họ và ở chính người hướng dẫn. Việc giải thích và hướng dẫn họ cũng là cách họ giải thích và hướng dẫn ngược lại người thầy theo một nghĩa nào đó.

Tương lai có thể đợi một chút

Quan sát các quyết định cho mùa hè 2026, Bauplan vẫn đã thuê hai thực tập sinh (con người) tài năng để khám phá các cạnh của bản đồ sản phẩm. Từ góc độ thực tế, tác giả đưa ra quyết định giống như trước khi thực hiện dự án này.

Tuy nhiên, cảm giác bất an vẫn còn. Liệu chúng ta có còn trân trọng "giá trị thực sự của mọi thứ" nếu chúng ta có thể "ăn cắp" chúng một cách dễ dàng từ máy tính xách tay của mình?

Có lẽ, con người nên làm việc tư duy và LLM nên sửa lỗi cú pháp matplotlib. Nhưng vùng xám lớn ở giữa vẫn là một thách thức. Bằng cách coi mọi thứ là chi tiết triển khai, tư duy của chúng ta có thể sớm không còn sắc bén.

Kết luận là, dù AI có hiệu quả đến đâu, mối quan hệ giữa người với người và quá trình học hỏi lẫn nhau vẫn là thứ không thể thay thế hoàn toàn trong việc xây dựng các sản phẩm công nghệ có chiều sâu.